来自网络数据的因果表征学习
机器学习
2025-09-03 v1
摘要
在线性干扰忠实性假设且同时具备观测数据和干扰数据的条件下，来自软干扰的因果解缔是可辨识的。以往的研究从独立同分布（i.i.d.）数据的视角关注此问题。本文提出了名为 GraCE-VAE 的框架，用于非 i.i.d. 设置，即利用以网络数据形式呈现的结构化上下文。GraCE-VAE 将基于偏差的变分自编码器与图神经网络相结合，以联合恢复真实潜在因果图和干扰效应。我们证明了来自 i.i.d. 数据的可辨识性理论结果在本方案中同样成立。我们还通过在三个基因 Perturbation 数据集上对 GraCE-VAE 与最先进的基线方法进行经验评估，展示了利用结构化上下文进行因果解缔的影响。
引用
@article{arxiv.2509.01916,
title = {Causal representation learning from network data},
author = {Jifan Zhang and Michelle M. Li and Elena Zheleva},
journal= {arXiv preprint arXiv:2509.01916},
year = {2025}
}